Mejorando la precisión de software de IA para detección de retinopatía diabética mediante probabilidad condicional y estándar de referencia adecuado

DART corrected sensitivity and specificity

Resumen

Objetivo: Evaluar y corregir los valores de sensibilidad y especificidad de la herramienta automatizada de Inteligencia Artificial DART (Diagnóstico Automatizado de Retinografías Telemáticas) empleada en la detección de Retinopatía Diabética en el sistema público de
salud en Chile, utilizando un estándar de referencia adecuado.

Métodos: Los casos fueron calculados a partir de los datos utilizados en la validación de DART. Se evaluó la capacidad de detección de RD para: 1) Fundoscopía, 2) Retinografía, 3) IA DART. Para el cálculo de la especificidad real o corregida de DART, se aplicó probabilidad condicional considerando las siguientes sensibilidades para el método 2: A) Optimista (90%), B) Moderado (80%) y C) Pesimista (70%). De acuerdo a estos supuestos, se estimaron los valores reales (corregidos) de sensibilidad y especificidad de DART. Además, se calcularon el porcentaje de falsos negativos y positivos (%FN, %FP), así como el Valor Predictivo Negativo (VPN) y Valor Predictivo Positivo (VPP).

Resultados: En general, los valores corregidos de sensibilidad y especificidad para los tres escenarios (A, B y C) fueron significativamente menores en todos los casos en comparación con los reportados en la validación de la herramienta IA. Además, al comparar el método 2 con el método 3, el método 2 presento siempre mejores valores de sensibilidad y especificidad, %FN, %FP, VPN y VPP.

Conclusión: Si bien la incorporación de IA como DART mejora potencialmente la atención de pacientes, es imprescindible validar estas herramientas con estándares de referencia adecuados antes de su implementación.
Esto garantiza decisiones clínicas basadas en parámetros confiables.